¿Cuáles son las cadenas de markov? 5 usos del mundo real ingeniosas

Es posible que haya oído el término “cadena de Markov” antes, pero a menos que haya tomado algunas clases en la teoría de la probabilidad o algoritmos informáticos, es probable que no sabe lo que son, cómo funcionan y por qué son tan importantes.Cómo aprender programación sin todo el estrésCómo aprender programación sin todo el estrésTal vez usted ha decidido llevar a cabo la programación, ya sea para una carrera o simplemente como un hobby. ¡Estupendo! Pero tal vez usted está comenzando a sentirse abrumado. No muy bien. Aquí está la ayuda para facilitar su viaje.Lee mas

La noción de una cadena de Markov es un concepto “bajo el capó”, lo que significa que realmente no necesita saber lo que son con el fin de beneficiarse de ellos. Sin embargo, ciertamente puede beneficiarse de la comprensión de cómo funcionan. Son simples pero útil de muchas maneras.

Así que aquí está un curso acelerado - todo lo que necesita saber acerca de las cadenas de Markov condensados ​​hacia abajo en un solo artículo, digerible. Si desea profundizar aún más profundo, probar el curso teórico información gratuita sobre Khan Academy (y considerar otros sitios de los cursos en línea también).

Vídeo: Cadenas de markov

Cadenas de Markov 101

Digamos que usted quiere predecir lo que el tiempo va a hacer mañana. Un verdadero predicción - el tipo realizado por meteorólogos expertos - implicaría cientos, o incluso miles, de diferentes variables que cambian constantemente. Los sistemas meteorológicos son increíblemente complejo e imposible de modelar, al menos para los legos como usted y yo. Sin embargo, podemos simplificar el problema mediante el uso de estimaciones de probabilidad.7 mejores aplicaciones gratis para Android Tiempo7 mejores aplicaciones gratis para Android TiempoLee mas

Imagínese que usted tiene acceso a los treinta años de datos meteorológicos. Se empieza por el principio, señalando que el día 1 era soleado. A seguir adelante, y señaló que el día 2 también era soleado, pero el día 3 fue nublado, y el día 4 fue lluvioso, lo que condujo a una tormenta en el día 5, seguido de cielos soleados y claros en el día 6.

Lo ideal sería que estaría más granular, optando por un análisis Hora por hora en lugar de un análisis día a día, pero esto es sólo un ejemplo para ilustrar el concepto, por lo que tener conmigo!

Esto se hace sobre todo el conjunto de datos de 30 años (lo que sería apenas por debajo de 11.000 días) y calcular las probabilidades de que el tiempo de mañana será como basado en el tiempo de hoy. Por ejemplo, si hoy en día está soleado, entonces:

Vídeo: Cadenas de Markov

• Una probabilidad de 50 por ciento que mañana hará sol de nuevo.
• Una probabilidad de 30 por ciento que mañana el sol brilla.
• Una probabilidad de 20 por ciento de que mañana será lluviosa.

Ahora repetir esta operación para todas las posibles condiciones meteorológicas. Si hoy en día está nublado, cuáles son las posibilidades de que mañana hará sol, lluvia, niebla, tormentas, granizo, tornados, etc.? Muy pronto, usted tiene todo un sistema de probabilidades que se pueden utilizar para predecir no sólo el tiempo de mañana, pero el clima del día siguiente, y al día siguiente.

Estados transitorias

Esta es la esencia de una cadena de Markov. Tiene estados individuales (en este caso, las condiciones climáticas), donde cada estado puede transición a otros estados (por ejemplo, los días soleados puede pasar en los días nublados) y esas transiciones se basan en probabilidades. Si desea predecir lo que el tiempo podría ser como en una semana, se puede explorar las diversas probabilidades en los próximos siete días y ver cuáles son las más probables. Por lo tanto, una “cadena” Markov.

¿Quién es Markov? Fue un matemático ruso que se le ocurrió la idea de un estado que conduce directamente a otro estado basado en una cierta probabilidad, donde no hay otros factores que influyen en la probabilidad de transición. Básicamente, inventó la cadena de Markov, de ahí la denominación.

Cómo cadenas de Markov se utilizan en el mundo real

Con la explicación fuera del camino, vamos a explorar algunas de las aplicaciones del mundo real en el que vienen muy bien. Puede que se sorprenda al descubrir que usted ha estado haciendo uso de las cadenas de Markov todo este tiempo sin saberlo!

Generación de nombres

¿Alguna vez ha participado en los juegos de mesa, juegos MMORPG, o incluso la escritura de ficción? Es posible que haya agonizado sobre el nombramiento de sus personajes (al menos en un momento u otro) - y cuando simplemente no era capaz de pensar en un nombre que desea, usted probablemente recurrido a un generador de nombre en línea.Crear un nuevo alias con los mejores generadores de nombre en línea [extraño & Maravillosa Web]Crear un nuevo alias con los mejores generadores de nombre en línea [extraño & Maravillosa Web]Su nombre es aburrido. Afortunadamente, usted puede ir en línea y elegir un nuevo alias usando uno de los innumerables generadores de nombre disponibles en el Internetz.Lee mas

Vídeo: Cadenas de Markov: Probabilidad de Estado Estable y Costos

¿Se ha preguntado cómo esos generadores de nombre trabajaron? Como resultado, muchos de ellos utilizan cadenas de Markov, por lo que es una de las soluciones más utilizadas. (Hay otros algoritmos por ahí que son tan eficaces, por supuesto!)

Todo lo que necesita es una colección de cartas, donde cada letra tiene una lista de posibles cartas de seguimiento con probabilidades. Así, por ejemplo, la letra “M” tiene una probabilidad del 60 por ciento a conducir a la letra “A” y una probabilidad del 40 por ciento a conducir a la letra “I”. Hacer esto para un montón de otras cartas, a continuación, ejecutar el algoritmo. Boom, que tiene un nombre que tenga sentido! (La mayor parte del tiempo, de cualquier manera.)

Google PageRank

Una de las implicaciones interesantes de la teoría de la cadena de Markov es que a medida que la longitud de los aumentos de la cadena (es decir, el número de transiciones de estado se incrementa), la probabilidad de que la tierra en un cierto estado converge en un número fijo, y esta probabilidad es independiente de donde se inicia en el sistema.

Esto es muy interesante cuando se piensa en toda la web en todo el mundo como un sistema de Markov, donde cada página web es un estado y los enlaces entre páginas web son transiciones con probabilidades. Este teorema afirma que, básicamente, no importa cuál es la página que inicie en adelante, las probabilidades de aterrizaje en una página web determinada X es una probabilidad fija, suponiendo un “largo tiempo” del surf.

Y esta es la base de cómo Google clasifica las páginas web. De hecho, el algoritmo PageRank es una modificación: la forma (más avanzada) del algoritmo de la cadena de Markov.

Cuanto mayor es la “probabilidad fija” de llegar a una página web determinada, mayor es su PageRank. Esto se debe a una mayor probabilidad fija implica que la página web tiene una gran cantidad de enlaces entrantes desde otras páginas web - y Google asume que si una página web tiene una gran cantidad de enlaces entrantes, entonces debe ser valiosa. El más enlaces entrantes, el más valioso es.

Es más complicado que eso, por supuesto, pero tiene sentido. ¿Por qué un sitio como About.com obtener mayor prioridad en las páginas de resultados de búsqueda? Porque resulta que los usuarios tienden a llegar allí, ya que navegar por la web. Interesante, ¿verdad?

Predicción a escribir la palabra

Los teléfonos móviles han tenido la tipificación de predicción desde hace décadas, pero se puede adivinar cómo se hacen esas predicciones? Ya sea que esté usando Android (opciones de teclado alternativos) O iOS (opciones de teclado alternativos), Hay una buena probabilidad de que su aplicación de elección utiliza cadenas de Markov.¿Cuál es el mejor teclado alternativo para Android?¿Cuál es el mejor teclado alternativo para Android?Echamos un vistazo a algunos de los mejores teclados en Play Store y los ponemos a prueba.Lee mas

Esta es la razón por aplicaciones de teclado preguntan si pueden recoger datos sobre sus hábitos de escritura. Por ejemplo, en el teclado de Google, hay un ajuste llamado fragmentos de Acciones que pide a “compartir fragmentos de qué y cómo se escribe en aplicaciones de Google para mejorar teclado de Google”. En esencia, sus palabras se analizan y se incorporan en probabilidades cadena de Markov de la aplicación.

Esa es también la razón por teclado aplicaciones a menudo presentan tres o más opciones, por lo general con el fin de más probable a menos probables. No se puede saber con certeza lo que quería decir que escribir al lado, pero es correcta más a menudo que no.

Simulación subreddit

Si usted nunca ha usado Reddit, le recomendamos que por lo menos echa un vistazo a este fascinante experimento llamado / r / SubredditSimulator.

Vídeo: Aplicaciones de las cadenas de Markov (parte 1)

En pocas palabras, subreddit simulador toma en un gran trozo de todos los comentarios y títulos realizados a través de numerosas comunidades de Reddit, a continuación, se analiza la distribución por palabra por palabra de cada frase. Usando estos datos, genera probabilidades palabra-a-palabra - a continuación, utiliza esas probabilidades para llegar a generar títulos y comentarios a partir de cero.

Una capa interesante para este experimento es que los comentarios y títulos se clasifican por la comunidad de procedencia de los datos, por lo que los tipos de comentarios y títulos generados por conjunto de datos / r / de los alimentos son muy diferentes de los comentarios y títulos genera por / r / conjunto de datos de fútbol.

Y el más divertido - o tal vez el más preocupante - parte de todo esto es que los comentarios y títulos generados pueden frecuentemente ser indistinguibles de las realizadas por personas reales. Es absolutamente fascinante.

¿Sabe usted de cualquier otros usos interesantes para las cadenas de Markov? ¿Tienes alguna pregunta que aún necesitan respuesta? Háganos saber en un comentario más abajo!